معرفی یک روش بهینه جهت خوشه‌بندی جز‌ءبندی داده‌های فراطیفی با استفاده از الگوریتم بهینه‌سازی توده ذرات

یکی از موفقیت آمیز ترین کاربردهای داده های فراطیفی، طبقه بندی آنها و تولید نقشه های پوشش زمین بدون نیاز به داده های واقعیت زمینی است. در میان روش های مختلف طبقه بندی غیرنظارت شده، روش های جزءبندی به دلیل سرعت و عملکرد بالا در خوشه بندی داده های فراطیفی مورد توجه قرار گرفته اند. عملکرد خوشه بندی مبتنی بر جزء بندی این داده ها تابع پنج پارامتر تعداد و موقعیت خوشه ها، تعداد و موقعیت باندها و معیار شباهت است. بنابراین می توان به مسئله ی خوشه بندی جزء بندی به صورت یک مسئله ی بهینه سازی نگاه کرد که هدف در آن پیدا کردن موقعیت بهینه ی پارامترهای مذکور است. بسته به اینکه کدامیک از این پنج پارامتر در فرآیند بهینه سازی توده ذرات وارد شوند چهار حالت معنی دار در این تحقیق در نظر گرفته شده و هدف پیدا کردن حالتی است که به بالاترین دقت در تهیه نقشه های موضوعی منجر شود. لازم به ذکر است که از میان پنج پارامتر مختلف خوشه بندی، معیار شباهت و تعداد خوشه ها به منظور جلوگیری از پدیده ی افزونی پارامترها وارد فرآیند بهینه سازی نشده و ثابت در نظر گرفته شدند. بررسی ها بر روی یک مجموعه ی داده ی شبیه سازی و دو داده ی واقعی نشان دادند که از میان چهار حالت مورد بررسی در این تحقیق، حالتی که تعداد باندها در یک مرحله ی پیش پردازشی توسط خوشه بندی باندها در فضای داده ها یا با استفاده از تبدیل pca در فضای ویژگی کاهش داده می شود دارای دقت بالاتری در تهیه ی نقشه های موضوعی هستند.

Introducing an Optimum Approach for Partitional Clustering of Hyperspectral Data Using Particle Swarm Optimization

One of the most important applications of hyperspectral data analysis is either supervised or unsupervised classification for land cover mapping. Among different unsupervised methods, partitional clustering has attracted a lot of attention, due to its performance and efficient computational time. The success of partitional clustering of hyperspectral data is, indeed, a function of five parameters: 1) the number of clusters, 2) the position of clusters, 3) the number of bands, 4) the spectral position of bands, and 5) the similarity measure. As a result, partitional clustering can be considered as an optimization problem whose goal is to find the optimal values for abovementioned parameters. Depending on this fact that which of these five parameters entered to the optimization four different scenarios have been considered in this paper to be resolved by particle swarm optimization. Our goal is, then, finding the solution leading to the best accuracy. It should be noted that among five different parameters of clustering, both similarity measure and the number of clusters have been considered fixed to prevent overparameterization phenomenon. Investigations on a simulated dataset and two real hyperspectral data showed that the case in which the number of bands has been reduced in a preprocessing stage using either band clustering in the data space or PCA in the feature space, can result in the highest accuracy and efficiency for thematic mapping.